Conjunto de datos COCO8
Introducción
En Ultralytics COCO8 es un conjunto de datos de detección de objetos compacto pero potente, formado por las 8 primeras imágenes del conjunto COCO train 2017: 4 para entrenamiento y 4 para validación. Este conjunto de datos está diseñado específicamente para pruebas rápidas, depuración y experimentación con YOLO y los procesos de formación. Su pequeño tamaño lo hace muy manejable, mientras que su diversidad garantiza que sirva como una comprobación de cordura eficaz antes de escalar a conjuntos de datos más grandes.
Observa: Ultralytics Visión general del conjunto de datos COCO
COCO8 es totalmente compatible con Ultralytics HUB y YOLO11lo que permite una integración perfecta en sus flujos de trabajo de visión por ordenador.
Conjunto de datos YAML
La configuración de los conjuntos de datos COCO8 se define en un archivo YAML (Yet Another Markup Language), que especifica las rutas de los conjuntos de datos, los nombres de las clases y otros metadatos esenciales. Puede consultar el archivo oficial coco8.yaml en el archivo Ultralytics Repositorio GitHub.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip
Utilización
Para entrenar un modelo YOLO11n en el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640, utilice los siguientes ejemplos. Para obtener una lista completa de las opciones de entrenamiento, consulte la documentación de entrenamiento deYOLO .
Ejemplo de tren
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Ejemplos de imágenes y anotaciones
A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos COCO8:
- Imagen en mosaico: Esta imagen ilustra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos utilizando el aumento de mosaico. El aumento de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, lo que ayuda al modelo a generalizar mejor a varios tamaños de objetos, relaciones de aspecto y fondos.
Esta técnica es especialmente útil para conjuntos de datos pequeños como COCO8, ya que maximiza el valor de cada imagen durante el entrenamiento.
Citas y agradecimientos
Si utiliza el conjunto de datos COCO en su investigación o desarrollo, cite el siguiente documento:
@misc{lin2015microsoft,
title={Microsoft COCO: Common Objects in Context},
author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
Un agradecimiento especial al Consorcio COCO por sus continuas contribuciones a la comunidad de visión por ordenador.
PREGUNTAS FRECUENTES
¿Para qué se utiliza el conjunto de datos Ultralytics COCO8?
El conjunto de datos Ultralytics COCO8 está diseñado para probar y depurar rápidamente los modelos de detección de objetos. Con sólo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar sus modelos de YOLO y asegurarse de que todo funciona como se espera antes de escalar a conjuntos de datos más grandes. Explore la configuración YAML de COCO8 para obtener más detalles.
¿Cómo se entrena un modelo YOLO11 con el conjunto de datos COCO8?
Puede entrenar un modelo YOLO11 en COCO8 utilizando Python o la CLI:
Ejemplo de tren
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Para más opciones de formación, consulte la documentación de FormaciónYOLO .
¿Por qué debería utilizar Ultralytics HUB para gestionar mi formación COCO8?
Ultralytics HUB agiliza la gestión de conjuntos de datos, la formación y el despliegue para YOLO incluido COCO8. Con funciones como la formación en la nube, la supervisión en tiempo real y la gestión intuitiva de conjuntos de datos, HUB le permite iniciar experimentos con un solo clic y elimina las complicaciones de la configuración manual. Obtenga más información sobre Ultralytics HUB y cómo puede acelerar sus proyectos de visión por ordenador.
¿Cuáles son las ventajas de utilizar el aumento de mosaico en el entrenamiento con el conjunto de datos COCO8?
El aumento de mosaico, tal como se utiliza en el entrenamiento COCO8, combina varias imágenes en una sola durante cada lote. Esto aumenta la diversidad de objetos y fondos, ayudando a su YOLO generalice mejor a nuevos escenarios. El aumento de mosaico es especialmente valioso para conjuntos de datos pequeños, ya que maximiza la información disponible en cada paso de entrenamiento. Para más información, consulte la guía de entrenamiento.
¿Cómo puedo validar mi modelo YOLO11 entrenado con el conjunto de datos COCO8?
Para validar su modelo YOLO11 después del entrenamiento en COCO8, utilice los comandos de validación del modelo en Python o CLI. Esto evalúa el rendimiento de su modelo utilizando métricas estándar. Para obtener instrucciones paso a paso, visite la documentación de validación deYOLO .
